UJI NORMALITAS DATA

Sebelum kita bicarakan uji normalitas berikut kita perhatikan gambar kurva distribusi normal
berikut ini :

Garis mendatar pada grafik kurva normal umum adalah sumbu-x

Garis mendatar pada grafik kurva normal standar adalah sumbu-z

Luas daerah di bawah kurva normal adalah 1 satuan, luas daerah yang diarsir (warna hitam
adalah 50% dari luas keseluruhan (0,5).
Dalam tabel-z, terlihat bahwa luas dari 0 (lihat kurva normal standart) ke 3 (sebelah kanan)
adalah 0,5000 (atau 0,5).

Gunakanlah tabel-z untuk mencari luas antara dua nilai z, yaitu:

1. 2 dan 3 (lihat gambar yang diarsir hitam).
2. 1,8 dan 1,9
3. -1,5 dan 1,6
4. -1,9 dan -1,7
 Sekitar 68% (2/3) luas dari kurva distribusi normal berada ± 1
SD dari nilai mean, atau 68% dari peluang sampel yang diambil secara acak akan
 berada diantara mean ± 1 SD = ± 1 z-score
 Sekitar 95% dari luas kurva normal berada pada ± 2 SD dari nilai mean (tepatnya 1,96
SD) = ± 2 z-score
 Sekitar 99,7% dariluas kurva normal berada dalam ± 3 SD dari nilai mean = ± 3 z-
score

Sumber : Nutrition Biostatistics, Widya Rahmawati,

PS Ilmu Gizi FKUB, 2012
 Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat,
variabel bebas atau keduanya mempunyai distribusi normal atau tidak atau uji untuk
mengukur apakah data yang didapatkan memiliki distribusi normal sehingga dapat dipakai
dalam statistik parametrik (statistik inferensial) atau apakah data yang diperoleh berasal dari
populasi yang berdistribusi normal.Model regresi yang baik adalah memiliki distribusi data
normal atau penyebaran data statistik pada sumbu diagonal dari grafik distribusi normal
(Ghozali,2001).
 Pengujian normalitas dilakukan untuk mengetahui normal tidaknya suatu distribusi
data. Hal ini penting diketahui berkaitan dengan ketepatan pemilihan uji statistik yang akan
dipergunakan. Uji parametrik misalnya, mengisyaratkan data harus berdistribusi
normal.Apabila distribusi data tidak normal maka disarankan untuk menggunakan uji
nonparametrik.Pengujian normalitas ini harus dilakukan apabila belum ada teori yang
menyatakan bahwa variabel yang diteliti adalah normal. Dengan kata lain, apabila ada teori
yang menyatakan bahwa suatu variabel yang sedang diteliti normal, maka tidak diperlukan
lagi pengujian normalitas data.
Pengujian normalitas dalam penelitian ini digunakan dengan melihat normal
probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan
distribusi kumulatif dari data normal. Sedangkan dasar pengambilan keputusan untuk uji
normalitas data adalah (Ghozali,2001):
a) Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal
atau grafik histogramnya menunjukkan distribusi normal, maka model regresi
memenuhi asumsi normalitas.
b) Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan distribusi normal, maka
model regresi tidak memenuhi asumsi normalitas.

A. Ciri Distribusi Normal

1. Nilai mean, median (nilai tengah) dan modus (puncak) adalah sama/berhimpit.
2. Sebagian besar data terletak di bagian tengah kurva, dan hanya sebagian kecil data yang
terletak pada kedua ujung kurva.
3. Kurvanya simetris, berbentuk lonceng yang terbagi menjadi 2 bagian sama besar
(simetris).
4. Luas daerah yang terletak dibawah kurva dan diatas garis mendatar = 1

B. Macam-macam Uji Normalitas

a. Uji Normalitas dengan Liliefors Test

Kelebihan Liliefors test adalah penggunaan/perhitungannya yang sederhana, serta cukup kuat
(power full) sekalipun dengan ukuran sampel kecil (n = 4) (Harun Al Rasyid, 2005). Proses
pengujian Liliefors dapat mengikuti langkah-langkah berikut:
Langkah langkah pembuktiannya :
1. Menentukan Hipotesis :
H0 : Sampel random berasal dari populasi normal, yang rata-rata dan standar          
deviasinya tidak diketahui.
Ha : Distribusi data populasi tidak normal.
2. Menghitung tingkat signifikansi 
3. Menghitung angka baku (Z) dari masing-masing data (X).
4. Menghitung probabilitas angka baku secara kumulatif F(Zi) = P(Z  Zi).
banyaknya Z≤Z i
S (Z i )=
5. Menghitung n

6. Menghitung selisih |F (Zi)−S(Z i )|

7. Mengambil harga yang paling besar di antara harga-harga mutlak, kita sebut L0
8. Membandingkan L0 dengan Tabel Nilai Kritis Untuk Uji Liliefors.

Keterangan :

Xi = Angka pada data

Z = Transformasi dari angka ke notasi pada distribusi normal

F(Z) = Probabilitas komulatif normal

S(Z) = Probabilitas komulatif empiris

 Syarat Uji Lilliefors

a. Data berskala interval atau ratio (kuantitatif)

b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi

c. Dapat untuk n besar maupun n kecil.

 Signifikansi Uji Lilliefors

Signifikansi uji, nilai | F(Z) – S(Z) | terbesar dibandingkan dengan nilai tabel Lilliefors.
Jika nilai | F(Z) – S(Z) | terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.

Jika nilai | F(Z) – S(Z) | terbesar > dari nilai tabel Lilliefors, maka Ho ditolak ; Ha diterima.

Contoh Uji Lilliefors

Contoh : Nilai Ujian 20 mahasiswa adalah sebagai berikut :

91 50 73 74 55 86 70 43 47 80
40 85 64 61 58 95 52 67 83 92
Uji apakah data di atas bersdistribusi normal ?

Hipotesis Lilliefors:

 Ho : Populasi nilai ujian statistik berdistribusi normal

 Ha : Populasi nilai ujian statistik tidak berdistribusi normal

Buat daftar hitung untuk uji Lilliefors seperti berikut:

X X i− X
Zi=
N i s F(Z) S(Z) |F(Z)-S(Z)|
4
1 0 -1,64 0,0505 0,05 0,0003
4
2 3 -1,47 0,0708 0,10 0,0289
4
3 7 -1,24 0,1075 0,15 0,0417
5
4 0 -1,06 0,1446 0,20 0,0558
5
5 2 -0,95 0,1711 0,25 0,0778
5
6 5 -0,77 0,2206 0,30 0,0794
5
7 8 -0,60 0,2743 0,35 0,0749
6
8 1 -0,42 0,3372 0,40 0,0640
6
9 4 -0,25 0,4013 0,45 0,0485
1 6 -0,08 0,4681 0,50 0,0301
 0 7
1 7
1 0 0,10 0,5398 0,55 0,0107
1 7
2 3 0,27 0,6064 0,60 0,0074
1 7
3 4 0,33 0,6293 0,65 0,0205
1 8
4 0 0,68 0,7517 0,70 0,0513
1 8
5 3 0,85 0,8023 0,75 0,0531
1 8
6 5 0,97 0,8340 0,80 0,0336
1 8
7 6 1,03 0,8485 0,85 0,0023
1 9
8 1 1,32 0,9066 0,90 0,0060
1 9
9 2 1,37 0,9162 0,95 0,0346
2 9
0 5 1,55 0,9394 1,00 0,0607

 Nilai F (Z) didapat dari banyaknya nilai Z sampai dengan nomor 10 dibagi n (=20)
F( Z )=Luas di bawah kurva normal dari dari kiri sampai ke Z i=−0. 08
sama dengan luas kurva normal di atas Z = 0 . 08=0. 500 − 0 . 0319=0 . 4681

74−68 .3
Zi= =0 .33
17 .23552 (contoh baris 13)
F( Z )=0. 5+0 . 1293=0 . 6293
banyaknya Z≤Z i
S (Z i )=
 n
10
S (Z )= =0 .5
20 (contoh baris 10, ada 10 buah nilai Z  Zi )
Bilangan yang terbesar di antara nilai selisih adalah 0,0794, maka L0 = 0.0794 dan L0 tabel
(α,n) = L0(0,05;20) = 0,190
Nilai L0 di atas dibandingkan dengan Tabel Nilai Kritis Untuk Uji Liliefors, sebagai berikut :
karena L0 = 0.0794 < 0.190, maka H0 diterima. Ini berarti data di atas dapat dianggap
berasal dari populasi normal.

Nilai Kritis untuk Uji Liliefors

Taraf nyata 
0.01 0.05 0.10 0.15 0.20
n = 4 0.417 0.381 0.352 0.319 0.300
5 0.405 0.337 0.315 0.299 0.285
6 0.364 0.319 0.294 0.277 0.265
7 0.348 0.300 0.276 0.258 0.247
8 0.331 0.285 0.261 0.244 0.233
9 0.311 0.271 0.249 0.233 0.223
10 0.294 0.258 0.239 0.224 0.215
11 0.284 0.249 0.230 0.217 0.206
12 0.275 0.242 0.223 0.212 0.199
13 0.268 0.234 0.214 0.202 0.190
14 0,261 0.227 0.207 0.194 0.183
15 0.257 0.220 0.201 0.187 0.177
16 0.250 0.213 0.195 0.182 0.173
17 0.245 0.206 0.289 0.177 0.169
18 0.239 0.200 0.184 0.173 0.166
19 0.235 0.195 0.179 0.169 0.163
20 0.231 0.190 0.174 0.166 0.160
25 0.200 0.173 0.158 0.147 0.142
30 0.187 0.161 0.144 0.136 0.131
n > 30 1.031 0.886 0.805 0.768 0.736

b. Uji Normalitas dengan Chi Square

Salah satu fungsi dari chi square adalah uji kecocokan (goodnessof fit). Dalam uji
kecocokan akan dibandingkan antara frekuensi hasil observasi dengan frekuensi
harapan/teoritis. Apakah frekuensi hasil observasi menyimpang atau tidak dari frekuensi yang
diharapkan.jika nilai y2 kecil, berarti frekuensi hasil observasi sangat dekat dengan frekuensi
harapan, dan hal ini menunjukan adanya kesesuaian yang baik. Jika nilai x2 besar, berarti
frekuensi hasil observasi berbeda cukup besar dari frekuensi harapan, sehingga
kesesuaiannva buruk. Kesesuaian yang baik akan membawa pada penerimaan H 0, dan
kesesuaian yang buruk akan membawa pada penolakan H0.
Uji kecocokan bisa digunakan untuk mengetahui normal tidaknya suatu distribusi data,
dengan langkah-langkah pengujian sebagai berikut:
1. Membuat tabel distribusi frekuensi yang dibutuhkan, menentukan rata-rata dan standar
deviasi.
2.  Menentukan batas kelas dan mencari nilai standar (Z).
3. Mencari luas tiap kelas interval dengan menggunakan tabel Z.
4. Mencari frekuensi harapan (Ei) dengan cara mengalikan luas tiap interval dengan banyak
data.
5. Menentukan nilai Chi-Kuadrat (χ2)
6.  Membandingkan nilai uji χ2 dengan nilai χ2tabel
Nilai χ2 tabel = χ2(1 - α ) (dk = k - 3), dimana dk = derajat kebebasan (degree of freedom), dan k
= panjang kelas pada distribusi frekuensi.

 Signifikansi
Jika nilai uji χ2 < nilai χ2tabel maka data tersebut berdistribusi normal, H0 diterima Ha ditolak.
Jika nilai uji χ2 > nilai χ2tabel maka data tersebut tidak berdistribusi normal, H0 ditolak Ha
diterima.

Contoh Uji Normalitas dengan Chi Kuadrat

Nilai Ujian 20 mahasiswa adalah sebagai berikut :
91 50 73 74 55 86 70 43 47 80
40 85 64 61 58 95 52 67 83 92
Uji apakah data di atas bersdistribusi normal ?

Penyelesaian :
1. Susun data tersebut dalam tabel distribusi frekuensi berkelompok sebagai berikut :
Distribusi Frekuensi
40 – 50 4
51 – 61 4
62 – 72 3
73 – 83 4
84 – 94 4
 95 – 105 1

X = 68.3
Standar Deviasi = 17.23552

2. Menentukan batas bawah tiap kelas kelas interval dan nilai standarnya. Nilai standar (z)

xi −x
z i=
dihitung dengan rumus : s , sehingga terlihat pada tabel berikut :
Gunakan Tabel Z untuk mencari luas diantara dua nilai Z
Batas Bawah Z Luas tiap Ei Oi (Oi - Ei)2 (Oi - Ei)2/Ei
Kelas batas interval
39,5 -1,70 0.1000 2.0 4.00
0
50,5 -1,06 0.1926 3.8 4.00
5
61,5 -0,42 0.2499 5.0 3.00
0
72,5 0,22 0.2207 4.4 4.00
1
83,5 0,87 0.1267 2.5 4.00
3
94,5 1,51 0.0497 0.9 1.00
9
3.687109

Keterangan :
Ei = Nilai harapan, banyaknya data dikalikan dengan luas tiap batas interval
Oi = nilai frekuensi dari tabel

2
k
(O i−E i )2
χ =∑
3. Menghitung Chi-Kuadrat dengan rumus : i=1 Ei

( 4−2. 00 )2 ( 4−3 .85 )2 (3−5 . 00 )2

χ 2= + + +
2. 00 3 . 93 5 . 00
(4−4 . 41)2 ( 4−2. 53)2 (1−0 .99 )2
+ +
4 . 41 2. 53 0 . 99
 = 3.687109

4. Dengan derajat kebebasan (k-3)= 11-3= 8 , taraf signifikansi 5%, didapat dalam tabel
2
χ (0 . 95)( 8 )=15 . 51

5. Karena χ 2hitung =3 .687109< χ 2tabel =15 .51 , maka H0 diterima dan menunjukkan bahwa
data berdistribusi normal.
c. Uji Kolmogorov Smirnov

Adapun langkah-langkah pengujian normalitas menggunakan uji kolmogorov-smirnov adalah

sebagai berikut:
1) Menentukan hipotesis
Ho: data berasal dari distribusi normal
Ha: data berasal dari dostribusi tidak normal
2) Menetukan rata-rata data
3) Menghitung Standart Deviasi:
SD=√ Ʃ ¿ ¿ ¿ ¿
4) Menghitung z score untuk i = data ke-n
Z=Xi− ¿ ¿
SD
5) Mencari Ft, dengan cara melihat tabel distribusi normal
Fkum
6) Menentukan Fs, dengan cara:
n
7) Menentukan | FT – FS |
8) Kesimpulan Pengujian:
Kesimpulan pengujian didapat dengan membandingkan nilai D = maksimal |FT – FS| dengan
D tabel.
9) Kriteria pengujian :
Jika D maks > D tabel maka H0 ditolak artinya data tidak berasal dari distribusi normal.
Jika D maks ≤ D tabel maka H0 diterima artinya data berasal dari distribusi normal.

Uji suatu sampel Kolmogorov Smirnov mencakup perhitungan distribusi frekuensi komulatif
yang akan terjadi di bawah distribusi teoritisnya, serta membandingkan distribusi frekuensi
itu dengan distribusi frekuensi komulatif hasil observasi (Siegel, 1997: 59).

 Syarat Kolmogorov Smirnov
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.

 Signifikansi Kolmogorov Smirnov

Signifikansi uji, nilai |FT – FS| terbesar dibandingkan dengan nilai tabel Kolmogorov
Smirnov.
Jika nilai |FT – FS| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho diterima ; Ha ditolak.
Jika nilai |FT – FS| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; Ha
diterima.
Contoh Uji Normalitas dengan Kolmogorov Smirnov

Suatu penelitian tentang berat badan mahasiswa yang mengijkuti pelatihan kebugaran
fisik/jasmani dengan sampel sebanyak 27 orang diambil secara random, didapatkan data
sebagai berikut ; 78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68, 67, 87, 78, 77, 88, 97, 89, 97, 98,
70, 72, 70, 69, 67, 90, 97 kg. Selidikilah dengan α = 5%, apakah data tersebut di atas diambil
dari populasi yang berdistribusi normal ?

Penyelesaian :
1. Hipotesis

 Ho : Populasi berat badan mahasiswa berdistribusi normal

 H1 : Populasi berat badan mahasiswa tidak berdistribusi normal

2. Nilai α

 Nilai α = level signifikansi = 5% = 0,05

3. Statistik Penguji

No Xi Z=Xi− ¿ ¿ FT FS |FT – FS|

SD
1. 67 -1.3902 0.0823 0.0741 0.0082
2. 67 -1.3902 0.0823 0.0741 0.0082
3. 68 -1.2929 0.0985 0.1111 0.0126
4. 69 -1.1957 0.1151 0.1481 0.0330
5. 70 -1.0985 0.1357 0.2222 0.0865
6. 70 -1.0985 0.1357 0.2222 0.0865
7. 72 -0.904 0.1841 0.2963 0.1122
8. 72 -0.904 0.1841 0.2963 0.1122
9. 77 -0.4178 0.3372 0.3704 0.0332
10. 77 -0.4178 0.3372 0.3704 0.0332
11. 78 -0.3205 0.3745 0.5185 0.1440
12. 78 -0.3205 0.3745 0.5185 0.1440
13. 78 -0.3205 0.3745 0.5185 0.1440
14. 78 -0.3205 0.3745 0.5185 0.1440
15. 80 -0.1261 0.4483 0.5556 0.1073
16. 82 0.06843 0.5279 0.5926 0.0647
17. 84 0.26291 0.6025 0.6296 0.0271
18. 87 0.55463 0.7088 0.6667 0.0421
19. 88 0.65188 0.7422 0.7037 0.0385
20. 89 0.74912 0.7734 0.7407 0.0327
21. 90 0.84636 0.8023 0.8148 0.0125
 22. 90 0.84636 0.8023 0.8148 0.0125
23. 95 1.33256 0.9082 0.5190 0.3892
24. 97 1.52704 0.9370 0.9630 0.0260
25. 97 1.52704 0.9370 0.9630 0.0260
26. 97 1.52704 0.9370 0.9630 0.0260
27. 98 1.62429 0.7474 1.0000 0.2526

Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal
FS = Probabilitas komulatif empiris

4. Derajat bebas

 Df tidak diperlukan

5. Nilai tabel

 Nilai Kuantil Penguji Kolmogorov, α = 0,05 ; N = 27 ; yaitu 0,254. Tabel

Kolmogorov Smirnov.
6. Daerah penolakan

 Menggunakan rumus: | 0,1440 | < | 0,2540| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan

 Populasi tinggi badan mahasiswa berdistribusi normal α = 0,05.

d. Uji Normalitas dengan Metode Saphiro Wilk

Pengertian Uji Shapiro Wilk

Uji Shapiro Wilk adalah sebuah metode atau rumus perhitungan sebaran data yang dibuat
oleh shapiro dan wilk. Metode shapiro wilk adalah metode uji normalitas yang efektif dan
valid digunakan untuk sampel berjumlah kecil.

Metode Uji Shapiro Wilk

Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam tabel distribusi
frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk dikonversi dalam
Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z untuk dapat dihitung luasan
kurva normal. Begitulah kira-kira cara memahami metode dalam perhitungan Uji Shapiro.

Rumus Uji Shapiro Wilk

k 2

T 3=
1
D [∑
i=1
a i (X n−i+1 −X i ) ]
Keterangan :

n
D=∑ ( X i – X ¿ )2 ¿
i=1

a i = Koefisien Shapiro Wilk

X n−i +1= Angka ke n – i + 1 pada data

X i = Angka ke i pada data

T 3 – dn
G=bn +c n +ln ( 1−T 3 )
Keterangan :

G = Identik dengan nilai Z distribusi normal

T3 = Berdasarkan rumus di atas bn, cn, dn = Konversi Statistik Shapiro-Wilk pendekatan

distribusi normal

 Syarat Uji Shapiro Wilk

a. Data berskala interval atau ratio (kuantitatif)

b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi

c. Data dari sampel random

 Signifikansi

Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T 3 dibandingkan
dengan nilai tabel Shapiro W, untuk dilihat posisi nilai probabilitasnya (p).

Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.

Jika nilai p < 5%, maka Ho ditolak ; Ha diterima.

Contoh Uji Shapiro Wilk

Berdasarkan data usia sebagian balita yang diambil sampel secara random dari posyandu
Mekar Sari Wetan sebanyak 24 balita, didapatkan data sebagai berikut : 58, 36, 24, 23, 19,
36, 58, 34, 33, 56, 33, 26, 46, 41, 40, 37, 36, 35, 18, 55, 48, 32, 30 27 bulan. Selidikilah data
usia balita tersebut, apakah data tersebut diambil dari populasi yang berdistribusi normal pada
α = 5% ?

Penyelesaian :

1. Hipotesis

 Ho : Populasi usia balita berdistribusi normal

 Ha : Populasi usia balita tidak berdistribusi normal

2. Nilai α

 Nilai α = level signifikansi = 5% = 0,05

3. Rumus statistik penguji

 Langkah pertama dihitung nilai D, yaitu:

No. Xi X i −X ( X ¿ ¿i− X )2 ¿
 1. 18 -18.7083 350.0005
2. 19 -17.7083 313.5839
3. 23 -13.7083 187.9175
4. 24 -12.7083 161.5009
5. 26 -10.7083 114.6677
6. 27 -9.7083 94.25109
7. 30 -6.7083 45.00129
8. 32 -4.7083 22.16809
9. 33 -3.7083 13.75149
10. 33 -3.7083 13.75149
11. 34 -2.7083 7.334889
12. 35 -1.7083 2.918289
13. 36 -0.7083 0.501689
14. 36 -0.7083 0.501689
15. 36 -0.7083 0.501689
16. 37 0.2917 0.085089
17. 40 3.2917 10.83529
18. 41 4.2917 18.41869
19. 46 9.2917 86.33569
20. 48 11.2917 127.5025
21. 55 18.2917 334.5863
22. 56 19.2917 372.1697
23. 58 21.2917 453.3365
24. 58 21.2917 453.3365
Jumlah 3184.958

Langkah berikutnya hitung nilai T, yaitu:

i ai X n−i +1−X i a i( X ¿ ¿ n−i+1−X i )¿

1 0.4493 58 – 18 = 40 17.972
2 0.3098 58 – 19 = 39 12.0822
3 0.2554 56 – 23 = 33 8.4282
4 0.2145 55 – 24 = 31 6.6495
5 0.1807 48 – 26 = 22 3.9754
6 0.1512 46 – 27 = 19 2.8728
7 0.1245 41 – 30 = 11 1.3695
8 0.0997 40 – 32 = 8 0.7976
9 0.0764 37 – 33 = 4 0.3056
10 0.0539 36 – 33 = 3 0.1617
11 0.0321 36 – 34 = 2 0.0642
12 0.0107 36 – 35 = 1 0.0107
Jumlah 54.6894
 k 2

T 3=
1
D [∑
i=1
]
a i (X n−i+1 −X i )

1
¿ ( 54.6894 )2
3187.958

¿ 0.9391

4. Derajat bebas

 Db = n

5. Nilai tabel

 Pada tabel Saphiro Wilk dapat dilihat, nilai α (0,10) = 0,930 ; nilai α (0,50) = 0,963
6. Daerah penolakan

 Nilai T3 terletak diantara 0,930 dan 0,963, atau nilai p hitung terletak diantara 0,10
dan 0,50, yang diatas nilai α (0,05) berarti H0 diterima, Ha ditolak
7. Kesimpulan

 Sampel diambil dari populasi normal, pada α = 0,05. Cara lain setelah nilai T3
diketahui dapat menggunakan rumus G, yaitu :

T 3 – dn
G=bn +c n +ln ( 1−T 3 )
T 3 – d 24
¿ b24 + c24 + ln ( 1−T 3 )
¿−5.605+1.862+ ln ⁡ ( 0.9391−0.2106
1−0.9391 )

¿−1.2617

Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya dicari nilai proporsi
(p) luasan pada tabel distribusi normal. Berdasarkan nilai G = -1,2617, maka nilai proporsi
luasan = 0,1038. Nilai p tersebut di atas nilai α = 0,05 berarti H 0 diterima Ha ditolak. Data
benar-benar diambil dari populasi normal.

Untuk melihat apakah data berdistribusi normal atau tidak juga dapat dilihat melalui grafik,
grafik yang digunakan adalah grafik Normal Q-Q Plot dan Detrended Normal Q-Q Plot,
contohnya seperti berikut :
Pada grafik , data menyebar dekat dengan garis lurus, dan data mengikuti ke kanan atas. Ini
menunjukkan data mengikuti distribusi normal.

Pada grafik di atas tidak membentuk pola tertentu dan menyebar di sekitar garis titik nol.
Dengan tidak adanya sebuah pola tertentu, maka bisa dikatakan distribusi data adalah
normal.
Data menjauhi garis lurus, walaupun mengarah ke kanan atas. Hal ini menunjukkan bahwa
data tidak berdistribusi normal.
Datanya membentuk pola tertentu menyebar di sekitar garis titik nol, yakni menurun, naik
dan menurun. Dengan adanya pola tertentu, maka bisa dikatakan distribusi data tidak normal.
 Daftar pustaka

Anonim. 2013. “ uji normalitas ”. https://www.statistikian.com/2013/01/uji-

normalitas.html/amp. Diakses pada 25 September 2019 pukul 19.48.

Anonim. 2013. “ uji normalitas dengan metode saphiro wilk ”.

https://www.statistikian.com/2013/01/saphiro-wilk.html/amp. Diakses pada 25 September
2019 pukul 19.20.

Anonim. “ BAB IV ANALISIS HASIL PENELITIAN ”.

http://eprints.walisongo.ac.id/2698/5/102411130_Bab4.pdf. Diakses pada 28 September 2019
pukul 13.55.

Anonim. “ UJI ASUMSI KLASIK (Uji Normalitas) ”. Malang : Universitas Islam Malang.
http://fe.unisma.ac.id/MATERI%20AJAR%20DOSEN/EKOMETRIK/AriRiz/MA%20Uji
%20Normalitas.pdf. Diakses pada 28 September 2019 pukul 19.20.

Ayuningtyas, Marita dkk. 2014. “ UJI NORMALITAS DATA ”. Semarang : Universitas

Negeri Semarang. https://dokumen.tips/documents/makalah-uji-normalitas-data.html.
Diakses pada 28 September 2019 pukul 15.48.

Mahdi. 2013. “ normalitas ”. https://mahdi47.files.wordpress.com/2013/06/normalitas.docx.

Diakses pada 28 September 2019 pukul 15.25.

Sutrisni. 2010. “ ANALISIS PENGARUH KUALITAS PRODUK, KUALITAS

PELAYANAN, DESAIN PRODUK, HARGA DAN KEPERCAYAAN TERHADAP
LOYALITAS PELANGGAN INDOSAT IM3 PADA MAHASISWA FAKULTAS
EKONOMI UNIVERSITAS DIPONEGORO SEMARANG ”. Semarang : Universitas
Diponegoro. http://eprints.undip.ac.id/23344/1/SKRIPSI_LENGKAP.pdf. Diakses pada
13.28.

Widhiarso, Wahyu. “ Uji Normalitas ”. Yogyakarta : Universitas Gajah Mada.

http://widhiarso.staff.ugm.ac.id/files/Uji%20Normalitas.pdf. Diakses pada 28 September
2019 pukul 11.15.